Большие базы данных в здравоохранении – возможности и перспективы

Применение информационных технологий, включая использование больших баз данных, является перспективным направлением медицины. Базы данных используются в клинической медицине, организации здравоохранения, гигиене, профессиональной медицине. Исследования на основе большого количества наблюдений позволяют провести анализ по диагностике, прогнозированию заболеваний, оценке рационального использования лекарственных средств, эпидемиологии заболеваний. Приведены примеры успешного использования баз данных в биоинформатике, биомедицине, системной биологии, изучении прогностических показателей в различных областях медицины, определении референсных значений лабораторных показателей с учетом популяционных особенностей. Данные о здравоохранении многочисленны, но они хранятся в учреждениях, клиниках, больницах, регистрах или страховых компаниях, что приводит к неполному использованию ресурсов, избыточности и неэффективности. Важной перспективной задачей является их интегрированность. В обзоре представлены требования, предъявляемые к базам данных, с тем чтобы это были не просто архивные хранилища, а базы, позволяющие проводить исследования и анализировать данные.

1. Гусев А.В., Зингерман Б.В., Тюфилин Д.С., Зинченко В.В. Электронные медицинские карты как источник данных реальной клинической практики // Реальная клиническая практика: данные и доказательства. 2022;2(2):8–20. https://doi.org/10.37489/2782–3784-myrwd.13

2. Johnson AE, Pollard TJ, Shen L, Lehman LW, Feng M, Ghassemi M, Moody B, Szolovits P, Celi LA, Mark RG. MIMIC–III, a freely accessible critical care database. Sci. Data. 2016 May 24;3:160035. doi: 10.1038/sdata.2016.35

3. Huang YL, Badrick T, Hu ZD. Using freely accessible databases for laboratory medicine research: experience with MIMIC database. J. Lab. Precis. Med. 2017;2:31. Doi: 10.21037/jlpm.2017.06.06

4. Цветкова Л. А., Черченко О. В. Технология Больших Данных в медицине и здравоохранении России и мира // Врач и информационные технологии. 2016. № 3. C. 60–74. URL: https://cyberleninka.ru/article/n/tehnologiya-bolshihdannyh-v-meditsine-i-zdravoohranenii-rossii-i-mira.

5. Ronsmans S, Sоrig Hougaard K, Nawrot TS, Plusquin M, Huaux F, Jesús Cruz M, et al. The EXIMIOUS project-Mapping exposure-induced immune effects: connecting the exposome and the immunome. Environ Epidemiol. 2022 Feb 1;6(1): e193. doi: 10.1097/EE9.0000000000000193

6. Gui H, Zheng R, Ma C, Fan H, Xu L. An architecture for healthcare big data management and analysis. Lect. Notes. Comput. Sci. 2016;8:154–60. doi: 10.1007/978–3–319–48335–1_17

7. Zhou XD, Zhang JY, Liu WY, Wu SJ, Shi KQ, Braddock M. et al. Quick chronic liver failure-sequential organ failure assessment: an easy-to-use scoring model for predicting mortality risk in critically ill cirrhosis patients. Eur. J. Gastroenterol. Hepatol. 2017 Jun;29(6):698–705. doi: 10.1097/MEG.0000000000000856

8. Hunter M, Smith RL, Hyslop W, Rosso OA, Gerlach R, Rostas JA, et al. The Australian EEG database. Clin. EEG Neurosci. 2005 Apr;36(2):76–81. doi: 10.1177/155005940503600206. PMID: 15999902

9. Mc Call B. COVID 19 and artificial intelligence: protecting health-care workers and curbing the spread. Lancet. 2020;395:30–1. doi: 10.1016/S2589–7500(20)30054–6

10. Pedersen PB, Henriksen DP, Brabrand M, Lassen AT. Level of vital and laboratory values on arrival, and increased risk of 7-day mortality among adult patients in the emergency department: a population-based cohort study. BMJ Open. 2020 Nov 17;10(11): e038516. doi: 10.1136/bmjopen-2020–038516